一 显示图像和裁剪
from skimage import io
image = io.imread('hua.png')
image1 = image[20:200, 30:200, :] # 图像裁剪
io.imshow(image1)
io.show()
二 图像采样和图像量化
图像采样是对图像控件位置的数字化,采样需要确定水平和垂直方向上分割出像素的数量,该数量又称为图像的分辨率。
一般而言,采样间隔越大,所得图像像素数越少,空间分辨率低,图像质量差, 严重时出现马赛克效应;采样间隔越小,所得图像像素数越多,空间分辨率高,图像质量好,但数据量较大。
采样方式:均匀采样(常用) 不均匀采样
- 均匀采样:现在最常用的采样方式。常用采样函数为求区域平均值。
- 不均匀采样:需要体现细节的位置增加采样频率,在图像变化较小的区域,相应减少采样频率
求均值方法进行图像模拟采样:
from skimage import data, io, exposure
from matplotlib import pyplot as plt
import numpy as np # 导入所需类包
image = io.imread('853.jpg') # 载入测试图像
print(image.shape) # 显示图像原始大小
print(type(image)) # 显示图像类型
ratio = 20 # 设置采样比率
image1 = np.zeros((int(image.shape[0] / ratio), int(image.shape[1] / ratio),
image.shape[2]), dtype='int32') # 设置采样后的图像大小
for i in range(image1.shape[0]):
for j in range(image1.shape[1]):
for k in range(image1.shape[2]): # 对图像进行遍历
delta = image[i * ratio:(i + 1) * ratio, j * ratio:(j + 1) * ratio, k] # 获取需要采样的图像块
image1[i, j, k] = np.mean(delta) # 计算均值,并存入结果图像
plt.imshow(image1) # 打印采样后的图像
plt.show()
图像量化
模拟图像经过采样后,在空间上实现了离散化,并形成像素。但采样所得的像素值(灰度值)依旧为连续量。采样后所得的各像素的灰度值从连续量到离散量的转换称为图像灰度的量化。图像的像素值(响应值)的数字化被称为图像的量化,即将图像响应值从到的实数域映射为有限级别的离散数值。
灰度级(灰度层次)是表示像素明暗程度的整数量。像素取值范围为0~255,图像数据的实际灰度层次越多,视觉效果越好。
图像量化
from skimage import io
image = io.imread('hua.png')
ratio = 32 # 设置量化比率
# 对图像中每个像素进行量化
for i in range(image.shape[0]):
for j in range(image.shape[1]):
for k in range(image.shape[2]):
image[i][j][k] = int(image[i][j][k]/ratio)*ratio
io.imshow(image)
io.show()
图像的量化比率决定图像的颜色精细程度。目前常见的量化级数一般为。最小量化级数为2,即灰度图像转变为二值图像,量化后的图像仅有0和1两种灰度取值。
非均匀量化即在灰度级变化剧烈的区域用细粒度量化,而在灰度级比较平滑的区域用粗粒度量化。
量化等级越多,所得图像层次越丰富,灰度分辨率高,图像质量好,但数据量较大。(数字小颜色多)
三 gamma校验和直方图均衡化
gamma校验:
from skimage import io, exposure
from matplotlib import pyplot as plt
image = io.imread('hua.png') # 载入测试图像
image_1 = exposure.adjust_gamma(image, 0.2)
image_2 = exposure.adjust_gamma(image, 0.57)
image_3 = exposure.adjust_gamma(image, 25)
plt.subplot(2, 2, 1)
plt.title('gamma=1')
io.imshow(image)
plt.subplot(2, 2, 2)
plt.title('gamma=0.2')
io.imshow(image_1)
plt.subplot(2, 2, 3)
plt.title('gamma=0.57')
io.imshow(image_2)
plt.subplot(2, 2, 4)
plt.title('gamma=25')
io.imshow(image_3)
plt.show()
直方图均衡化:
from skimage import data,exposure
import matplotlib.pyplot as plt
img=data.moon()
plt.figure("hist", figsize=(8,8))
arr=img.flatten()
plt.subplot(221)
plt.imshow(img,plt.cm.gray) # 原始图像
plt.subplot(222)
plt.hist(arr, bins=256, edgecolor='None', facecolor='red')
# 原始图像直方图
img1=exposure.equalize_hist(img)
arr1=img1.flatten()
plt.subplot(223)
plt.imshow(img1,plt.cm.gray) # 均衡化图像
plt.subplot(224)
plt.hist(arr1, bins=256, edgecolor='None', facecolor='red')
# 均衡化直方图
plt.show()